क्या मशीन लर्निंग एल्गोरिदम खेल के स्कोर या नाटकों की भविष्यवाणी कर सकता है?


40

मेरे पास विभिन्न प्रकार के एनएफएल डेटासेट हैं जो मुझे लगता है कि एक अच्छा साइड-प्रोजेक्ट बना सकते हैं, लेकिन मैंने अभी तक उनके साथ कुछ भी नहीं किया है।

इस साइट पर आकर मैंने मशीन लर्निंग एल्गोरिदम के बारे में सोचा और मैं सोच रहा था कि फुटबॉल के खेल या अगले खेल के परिणाम की भविष्यवाणी करने में वे कितने अच्छे होंगे।

मुझे ऐसा लगता है कि कुछ ऐसे रुझान होंगे जिनकी पहचान की जा सकती थी - 3 नीचे और 1 पर, एक मजबूत रनिंग बैक वाली टीम के पास उस स्थिति में गेंद को चलाने की प्रवृत्ति होनी चाहिए

स्कोरिंग की भविष्यवाणी करना अधिक कठिन हो सकता है, लेकिन विजेता टीम हो सकती है।

मेरा सवाल यह है कि क्या मशीन लर्निंग एल्गोरिदम पर फेंकने के लिए ये अच्छे सवाल हैं। यह हो सकता है कि पहले एक हजार लोगों ने इसे आजमाया हो, लेकिन खेलों की प्रकृति इसे एक अविश्वसनीय विषय बनाती है।

जवाबों:


18

फुटबॉल (और खेल, सामान्य रूप से) के बारे में बहुत सारे अच्छे प्रश्न हैं जो एक एल्गोरिथ्म में फेंकने और जो सामने आता है उसे देखने के लिए भयानक होगा। मुश्किल हिस्सा यह जानना है कि एल्गोरिदम को क्या फेंकना है।

उदाहरण के लिए, शायद एक अच्छा आरबी के साथ एक टीम सिर्फ 3 जी और शॉर्ट पर पास कर सकती है, क्योंकि प्रतिद्वंद्वी शायद दौड़ने की उम्मीद करेंगे। इसलिए, वास्तव में कुछ योग्य परिणाम देने के लिए, मैं समस्या को छोटे टुकड़ों में तोड़ता हूं और उन्हें मशीनों पर फेंकते समय सांख्यिकीय रूप से विश्लेषण करता हूं।

ऐसी कुछ (अच्छी) वेबसाइटें हैं जो वैसा ही करने की कोशिश करती हैं, आपको उनकी मदद करने के लिए जो कुछ भी मिला उसे देखना चाहिए और उसका उपयोग करना चाहिए:

और अगर आप सही मायने में स्पोर्ट्स डेटा एनालिसिस का पता लगाना चाहते हैं, तो आपको स्लोन स्पोर्ट्स कॉन्फ्रेंस वीडियो को जरूर देखना चाहिए । उनमें से बहुत सारे Youtube पर फैले हुए हैं।


13

हाँ। क्यों नहीं?! प्रत्येक खेल में प्रत्येक खेल में बहुत अधिक डेटा दर्ज किए जाने के साथ, डेटा के स्मार्ट उपयोग से खिलाड़ी प्रदर्शन के बारे में महत्वपूर्ण जानकारी प्राप्त कर सकते हैं।

कुछ उदाहरण:

तो, हां, खिलाड़ी रिकॉर्ड के सांख्यिकीय विश्लेषण से हमें यह जानकारी मिल सकती है कि कौन से खिलाड़ी प्रदर्शन करने की अधिक संभावना रखते हैं लेकिन कौन से खिलाड़ी प्रदर्शन नहीं करेंगे । तो, मशीन लर्निंग, सांख्यिकीय विश्लेषण के एक करीबी चचेरे भाई एक गेम परिवर्तक साबित होंगे।


9

निश्चित रूप से वे कर सकते हैं। मैं आपको एक अच्छे कागज पर लक्षित कर सकता हूं । एक बार जब मैंने फुटबॉल लीग परिणाम भविष्यवाणी एल्गोरिथ्म कार्यान्वयन के लिए इसका इस्तेमाल किया, तो मुख्य रूप से सट्टेबाजों के खिलाफ कुछ मूल्य रखने का लक्ष्य था।

कागज के सार से:

एक बायेसियन गतिशील सामान्यीकृत मॉडल जो एक लीग में सभी टीमों के समय पर निर्भर कौशल का अनुमान लगाने के लिए, और अगले सप्ताहांत के फुटबॉल मैचों की भविष्यवाणी करने के लिए।

कीवर्ड:

डायनामिक मॉडल, सामान्यीकृत रैखिक मॉडल, ग्राफिकल मॉडल, मार्कोव चेन मोंटे कार्लो तरीके, सॉकर मैचों की भविष्यवाणी

प्रशस्ति पत्र:

रुए, हैवार्ड, और ओविंद साल्वसेन। "एक लीग में फुटबॉल मैचों की भविष्यवाणी और पूर्वव्यापी विश्लेषण।" रॉयल स्टैटिस्टिकल सोसाइटी का जर्नल: सीरीज़ डी (द स्टेटिस्टिशियन) 49.3 (2000): 399-418।


7

मशीन लर्निंग और सांख्यिकीय तकनीक पूर्वानुमान में सुधार कर सकते हैं, लेकिन कोई भी वास्तविक परिणाम की भविष्यवाणी नहीं कर सकता है।

2014 एनसीएए टूर्नामेंट की भविष्यवाणी करने के बारे में कुछ महीने पहले एक काग्गल प्रतियोगिता हुई थी । आप लोगों ने क्या किया और क्या परिणाम हासिल किए, इस पर बेहतर विचार प्राप्त करने के लिए आप प्रतियोगिता मंच पढ़ सकते हैं।


7

इससे पहले दिखाया गया है कि खेल के परिणामों की भविष्यवाणी के लिए मशीन लर्निंग तकनीकों को लागू किया जा सकता है। सरल Google खोज आपको परिणामों का एक गुच्छा देना चाहिए।

हालांकि, यह भी दिखाया गया है (एनएफएल btw के लिए) कि बहुत जटिल भविष्य कहनेवाला मॉडल, सरल भविष्य कहनेवाला मॉडल, लोगों से पूछताछ, या सट्टेबाजी की जानकारी का उपयोग करके भीड़ ज्ञान, वे सभी एक ही कम या ज्यादा प्रदर्शन करते हैं। स्रोत: " डंकन वाट्स द्वारा उत्तर ," सामान्य ज्ञान विफल कैसे होता है "अध्याय 7 को जानने के बाद सब कुछ स्पष्ट है


दिलचस्प। मैंने जो सवाल पूछा उसका कारण यह है कि मुझे आश्चर्य हुआ कि क्या "जुआरी की पराजय" (या यहाँ तक कि स्वयं gf) के समान कुछ है। मैंने सोचा कि एक ऐसा मौका हो सकता है जो पहले से ही एक बेकार उद्यम साबित हो चुका था। फिर भी - ये अन्य जवाब पेचीदा हैं।
स्टीव कालस्टैड

6

माइकल मॉउबसिन ने अपनी पुस्तक "द सक्सेस इक्वेशन" में खेल सहित विभिन्न प्रयासों में कौशल से अलग दिखने वाली किस्मत को देखा है। वह वास्तव में भाग्य की राशि से खेल को रैंक करता है जो विभिन्न खेलों (पी। 23) में प्रदर्शन में योगदान देता है और फुटबॉल में लगभग 2/3 प्रदर्शन कौशल के लिए जिम्मेदार है। इसके विपरीत, मैंने फॉर्मूला 1 रेसिंग में प्रदर्शन का विश्लेषण करने के लिए एमएम की तकनीक का उपयोग किया, और पाया कि 60% कौशल के लिए जिम्मेदार है (जितना मैं उम्मीद कर रहा था उससे कम है)।

उस ने कहा, ऐसा लगता है कि इस तरह का विश्लेषण यह होगा कि पर्याप्त रूप से विस्तृत और तैयार की गई विशेषता सेट एमएल एल्गोरिदम को एनएफएल टीमों के प्रदर्शन की भविष्यवाणी करने की अनुमति देगा, शायद यहां तक ​​कि खेल के स्तर तक, इस चेतावनी के साथ कि प्रभाव के कारण अभी भी महत्वपूर्ण विचरण मौजूद रहेगा। खेल में भाग्य का।


5

मैंने इसके बारे में कुछ पढ़ा है और मेरे मन में निम्नलिखित ब्लॉग था:

http://fellgernon.tumblr.com/post/46117939292/predicting-who-will-win-a-nfl-match-at-half-time#.UtehM7TWtQg

यह ब्लॉग आधे समय पहले ही खत्म होने के बाद एनएफएल मैच की भविष्यवाणी से संबंधित है। भविष्यवाणी सरल GLM मॉडल के साथ 80% सटीक है।

मुझे नहीं पता कि यह फुटबॉल के लिए उपयुक्त है या नहीं।


5

मैंने इस क्षेत्र में कुछ शोध किया है। मैंने पहले क्रम में मार्कोव श्रृंखला को खेल के विभिन्न प्रकारों में गेम स्कोरिंग गतिशीलता के भीतर अच्छी तरह से काम करने के लिए पाया है।

आप यहाँ और अधिक विस्तार से पढ़ सकते हैं: http://www.epjdatascience.com/content/3/1/4


5

वे भविष्यवाणी नहीं कर सकते, लेकिन वे आपको सबसे संभावित परिणाम बता सकते हैं। एटिने से इस तरह के दृष्टिकोण के बारे में एक अध्ययन है - वोल्फ्रैम लैंग्वेज के साथ विश्व कप जीतने वाला कौन होगा । यह एक बहुत विस्तृत अध्ययन है, इसलिए आप भविष्यवाणियों को प्राप्त करने के लिए उपयोग की जाने वाली सभी कार्यप्रणाली की जांच कर सकते हैं।

काफी दिलचस्प, 15 मैचों में से 11 सही थे!

जैसा कि उम्मीद की जा सकती है, 42.5% जीतने की संभावना के साथ, ब्राजील पसंदीदा है। यह हड़ताली परिणाम इस तथ्य के कारण है कि ब्राजील में एलो रैंकिंग सबसे अधिक है और घर पर खेलता है।

(चलो ब्राजील जाओ!)


3

बहुत से लोगों ने इस बात पर जोर दिया है कि ऐसी कौन सी चीजें हैं जिनके बारे में उनके उत्तरों में भविष्यवाणी की जा सकती है। अब, गहरी सीखने के आकर्षण के साथ, आप उदाहरण के लिए, समय पर आधारित खेल समस्याओं के परिणामों के बारे में भविष्यवाणी करने के लिए RNN (LSTM) का उपयोग कर सकते हैं। ये कला के राज्य हैं और पारंपरिक मॉडल को हराते हैं।

हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.